EMD-ICA联合降噪法提升心冲击信号识别

本文主要探讨了基于经验模态分解(Exponential Mode Decomposition, EMD)和独立成分分析(Independent Component Analysis, ICA)的心冲击信号降噪技术。心冲击信号，即球状心电图(Ballistocardiogram, BCG)信号，是心脏机械活动的重要生理指标，其无约束采集测量方式使其具有广泛的应用潜力。然而，由于BCG信号本身的强度较弱，容易受到外部环境噪声的干扰，导致信号质量下降，这对信号的准确分析和解读构成挑战。 文章首先通过经验模态分解对含有噪声的BCG信号进行处理。EMD是一种自适应信号分解方法，它能够分解出信号的固有模态分量（Intrinsic Mode Functions, IMF），这些分量代表了信号的不同频率成分。通过对信号进行EMD分解，可以得到一系列按照频率由高到低排列的IMF，这有助于识别信号中的噪声部分。 然后，作者提出了一个关键步骤，即运用模态相关准则来区分信号层与噪声层。通过比较各IMF分量之间的相关性，作者确定哪些IMF对应于信号，而哪些可能属于噪声。这些被认为包含噪声的IMF被用来构建虚拟噪声通道，随后通过独立成分分析算法进行盲源分离，以去除这些干扰成分。 在分离出降噪后的BCG信号后，作者使用快速傅立叶变换(FFT)计算其功率谱密度，以此来评估降噪前后信号特征的变化。同时，为了验证新方法的有效性，文中还与传统的EMD降噪和小波降噪方法进行了比较，通过计算各方法降噪后与原始信号的相关系数，结果显示基于EMD-ICA的方法在降噪效果上显著优于其他方法，并且能够更好地保留BCG信号的原有特性。 总结来说，这篇首发论文提出了一个创新的BCG信号降噪策略，结合了EMD的分解能力和ICA的独立成分分离技术，有效地解决了信号质量受噪声影响的问题。这种方法不仅提高了BCG信号的可用性，对于心血管疾病监测等领域具有实际应用价值。通过实验验证，证明了该方法在降噪性能和信号特征恢复方面的有效性，为后续的研究和临床实践提供了有力的技术支持。